Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.

com
www.statistikolahdata.com

STRUCTURAL EQUATION MODELING With SmartPLS

Software SmartPLS bisa didapatkan di http://Smart.de/ . Sebelum melakukan analisis SEM dengan
SmartPLS, pada bagian ini kita harus mengenalnya terlebih dulu. Contoh ini menggunakan
SmartPLS 2.0. Setelah mendownload dan instal, bagaimana cara memulainya :

1. Tampilan pertama pada SmartPLS . Klik OK

2. Klik Close seperti pada gambar di atas.

1
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

Sekarang sudah terlihat menu utama pada SmartPLS

Langkah-langkah analisis dengan SmartPLS :

1. Klik File >New>Create New Project

2
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

2. Ketik nama pada Project name, kemudian klik next, contoh: Latihan SmartPLS.
Kemudian Klik Next.

3. Pada file name, cari folder dan nama file yang akan dianalisis. Dalam hal ini penulis
menyimpan di Folder E, nama file Latihan SmartPLS. Seperti terlihat pada gambar di
bawah ini. Kemudian Klik Next.

Ingat : data yang akan dianalisis disimpan dalam tipe CSV atau txt.

3
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

4. Langkah selanjutnya adalah melakukan setting data.

Caranya :

Beri tanda centang (v) pada menu The Indicator data contains missing values

Pada menu Missing Values, angka -1,0 ganti menjadi -999.

Hilangkan tanda centang pada menu The Indicator data contains missing values

Klik Finish.

5. Tampilan berikutnya seperti gambar di bawah ini. Nama project yang semula dibuat sekarang
sudah terlihat.

4
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

Selanjutnya kita akan menggambar path diagram (diagram alur) seperti gambar di bawah ini.
BI1

BI2

BI3

UB1
UB2
UB3
PE1

H7
H1

H4

US2
US

H5
H6

PE2
PE3

US1

BI

H3

UB

PE

H2

US3
US4

AT

US5

PE4
PE5
AT1

AT2

AT3

AT4

AT5

Hipotesis :
1) PE

UB : Pengaruh PE terhadap UB

2) PE

AT : Pengaruh PE terhadap AT

3) UB

BI : Pengaruh UB terhadap BI

4) UB

AT : Pengaruh UB terhadap AT

5) AT

BI : Pengaruh AT terhadap BI

6) AT

US : Pengaruh AT terhadap US

7) BI

US : Pengaruh BI terhadap US

Mengenai konversi diagram jalur ke persamaan dibahas dalam materi tersendiri.

5
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

Caranya double klik pada Latihan SmartPLS.splsm (Menu Project).

Beberapa menu pada SmartPLS.
5

1
2

indikator variabel

Eksogen variabel laten

Endogen variabel laten

Keterangan :
1. Switch to insertion Mode : berfungsi untuk membuat gambar variabel laten.
2. Switch to connection Mode : berfungsi untuk membuat hubungan antar variabel laten
3. Area menggambar path diagram.
4. Indikator variabel.
5. Switch to selection Mode : berfungsi untuk merubah/mengganti perintah.
Langkah-langkah menggambar :
1. Klik Switch insertion mode, buat gambar variabel laten pada area gambar sebanyak 6.
Karena disini ada 6 variabel laten/konstruk.
2. Beri nama tiap variabel laten. Caranya klik pada tiap gambar atau variabel laten, klik

6
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

kanan, rename object. Masing-masing diberi nama UB, PE, BI, AT dan US
3. Sekarang cara menghubungkan indikator dengan variabel laten. Perhatikan menu indikator
di bagian bawah kiri. Lakukan langkah klik, drag drop untuk tiap-tiap indikator ke variabel
latennya. Indikator variabel UB1,UB2, UB3 ke variabel laten UB. Demikian untuk yang
lain.
4. Menghubungkan antarvariabel laten/kontruk. Klik menu Switch to connection Mode.
Hubungkan variabel laten seperti pada gambar. Variabel UB ke BI dan AT, PE ke UB dan
AT dan seterusnya seperti pada gambar di atas.
Setelah menggambar selesai seperti pada gambar di atas. Bagaimana caranya melakukan
analisisnya agar kita tahu hasil outputnya.
Langkah-langkahnya :

1. Klik pada menu pilihan Run seperti yang ditunjukan arah panah. Pilih PLS algoritm.
Kemudian Finish. Atau pada menu Calculate, klik PLS algoritm, kemudian Finish.
2. Output terlihat seperi pada gambar di bawah.

7
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

Nah, sekarang saatnya membaca outputnya.

1. Model Measurement (outer model)
Outer model merupakan model yang menspesifikasi hubungan antara variabel laten dengan
indikatornya-indikatornya atau bisa dikatakan bahwa outer model mendefinisikan bagaimana
setiap indikator berhubungan dengan variabel latennya.
a. Validitas konvergen (convergent validity)
Nilai convergent validity adalah nilai loading faktor pada variabel laten dengan indikatorindikatornya. Nilai loading faktor di harapkan > 0.70, tetapi nilai antara 0,50-0,60 masih bisa
ditolerir selama model masih dalam tahap pengembangan.
Dari hasil output terlihat nilai validitas konvergen paling kecil pada indikator UB3 (0,7564),
sedangkan yang tertinggi pada indikator AT2 (0,9049).

8
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

AT1
AT2
AT3
AT4
AT5
BI1
BI2
BI3
PE1
PE2
PE3
PE4
PE5
UB1
UB2
UB3
US1
US2
US3
US4
US5

AT
0.9003
0.9049
0.8965
0.8800
0.8779

Validitas Konvergen
BI
PE

UB

US

0.8562
0.8336
0.8871
0.7591
0.8261
0.8707
0.8029
0.7935
0.8570
0.8072
0.7564
0.8045
0.8480
0.8817
0.8671
0.8599

b. Validitas diskriminan (discriminant validity)

yaitu dengan cara melihat nilai cross loading faktor. Cross loading berguna untuk apakah
konstruk memillki discriminant yang memadai yaitu dengan cara membandingkan korelasi
indikator dengan konstruknya harus lebih besar dibandingkan

korelasi antara indikator

dengan konstruk yang lain.

Jika korelasi indikator konstruk memiliki nilai lebih tinggi dibandingkan dengan korelasi
indikator tersebut terhadap konstruk lain, maka dikatakan konstruk tersebut memiliki
discriminant validity yang tinggi.
Nilai cross loading dapat dilihat pada tabel di bawah ini.

9
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

AT1
AT2
AT3
AT4
AT5
BI1
BI2
BI3
PE1
PE2
PE3
PE4
PE5
UB1
UB2
UB3
US1
US2
US3
US4
US5

AT
0.9003
0.9049
0.8965
0.8800
0.8779
0.3258
0.2443
0.2574
0.2808
0.3209
0.3301
0.2957
0.2770
0.2320
0.2314
0.2591
0.3151
0.3410
0.3253
0.3226
0.3155

CROSS LOADING
BI
PE
0.3164
0.3477
0.3195
0.3641
0.3148
0.3455
0.2565
0.3111
0.2307
0.2809
0.8562
0.5063
0.8336
0.4437
0.8871
0.4652
0.4334
0.7591
0.4247
0.8261
0.4788
0.8707
0.4646
0.8029
0.4375
0.7935
0.2271
0.2707
0.1681
0.2206
0.1381
0.2859
0.3836
0.4002
0.3767
0.3659
0.4124
0.3690
0.4069
0.3832
0.4063
0.3772

UB
0.2756
0.2655
0.2690
0.2726
0.2474
0.1944
0.1172
0.2405
0.1969
0.2442
0.3452
0.2487
0.2537
0.8570
0.8072
0.7564
0.1650
0.2138
0.1836
0.2125
0.1599

US
0.3525
0.3485
0.3329
0.3478
0.3087
0.4439
0.2986
0.4315
0.3280
0.3623
0.3952
0.3930
0.3185
0.1796
0.1666
0.1839
0.8045
0.8480
0.8817
0.8671
0.8599

c. Composite reliability
Data yang memiliki compasite reliability >0,8 mempunyai nilai reliabilitas yang tinggi.
Nilai composite reliability yang dihasilkan terlihat pada tabel di bawah ini.

AT
BI
PE
UB
US

AVE Composite Reliability

0.7957
0.9511
0.7383
0.8943
0.6582
0.9057
0.6527
0.8490
0.7270
0.9301

R Square
Cronbachs Alpha
0.1739
0.9359
0.1226
0.8252
0.0000
0.8700
0.1042
0.7327
0.2755
0.9058

d. Average Variance Extracted (AVE)

Nilai AVE yang diharapkan >0,5. Pada tabel di atas nilai AVE pada semua konstruk di atas
>0,5. Nilai AVE terendah 0,6527 pada kontruk UB sedangkan yang tertinggi pada kontruk
AT (0,7957). Cara lain untuk mengetahui validitas diskriminan dengan cara uji FornellLarcker criterion. Uji ini membandingkan square root of average variance extracted (AVE)
dengan latent variabel correlations. Hasilnya dapat dilihat pada tabel di bawah ini.
Misalnya konstruk AT lebih besar dibandingkan kontruk yang lain, yaitu dengan cara
membandingkan masing-masing konstruk antara kolom dan barisnya.

10
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

LATENT VARIABLE CORRELATIONS

AT
BI
PE
UB
0.8920
0.0000
0.0000
0.0000
0.3251
0.8592
0.0000
0.0000
0.3719
0.5517
0.8112
0.0000
0.2986
0.2213
0.3228
0.8078
0.3798
0.4661
0.4444
0.2194

AT
BI
PE
UB
US

US
0.0000
0.0000
0.0000
0.0000
0.8526

Square root AVE

e. Cronbach's alpha
Uji reliabilitas diperkuat dengan nilai cronbach's alpha. Nilai yang disarankan adalah >0,6.
Nilai cronbach's alpha untuk semua kontruk di atas 0,6. Nilai cronbach's alpha kontruk AT
(0,9359), BI (0,8252), PE (0,8700), UB (0,7327), US (0,9058).

AT -> BI
AT -> US
BI -> US
PE -> AT
PE -> UB
UB -> AT
UB -> BI

OUTPUT BOOTSTRAPPING
Original Sample Sample Mean Standard Deviation Standard Error T Statistics
(O)
(M)
(STDEV)
(STERR)
(|O/STERR|)
0.2843
0.2837
0.0416
0.0416
6.8367
0.2553
0.2595
0.0358
0.0358
7.1348
0.3831
0.3829
0.0372
0.0372
10.2900
0.3076
0.3048
0.0426
0.0426
7.2164
0.3228
0.3224
0.0319
0.0319
10.1250
0.1993
0.2020
0.0364
0.0364
5.4751
0.1364
0.1374
0.0402
0.0402
3.3922

t tabel

Ket.

1,96
1,96
1,96
1,96
1,96
1,96
1,96

signifikan
signifikan
signifikan
signifikan
signifikan
signifikan
signifikan

2. Model structural (Inner Model)

Nilai R2 untuk variabel endogen. Hasil R2 sebesar 0,67, 0,33 dan 0,19 mengindikasikan
bahwa model baik, moderat, dan lemah
Nilai R2 yang didapatkan masing masing konstruk : AT 0,1739 (17,4%), BI 0,1226 (12,3%),
UB 0,1042 (10,4%), US 0,2755 (27,55%).

Effect size (f2). Nilai f2 sebesar 0,02, 0,15 serta 0,35 dapat diintrepretasikan apakah
prediktor variabel laten memiliki pengaruh yang lemah, sedang atau besar.
(1) AT

BI = 0,2843

(6) UB

AT = 0,1993

(2) AT

US = 0,2553

(7) UB

BI = 0,1364

(3) BI

US = 0,3831

(4) PE

AT = 0,3076

(5) PE

UB = 0,3228

11
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

www.statistikolahdata.com

MODEL STRUCTURAL RESULT

BI2

BI1
0,86

UB1
0,86

UB2

0,81

UB3

0,76

UB
R =10,4%
2

0,83

0,76

PE2

0,83

PE3

0,87

PE4

0,80

PE5

0,80

0,89

BI
R2=12,3%

0,14

US1
0,38

0,32

PE1

BI3

0,20

0,88

AT
2
R =17,4%

0,31

0,90

AT1

US2

US
0,85
US3
R2=27,6%

0,28

PE

0,81

0,90

AT2

0,26

0,86

0,90 0,88

AT3

R Square

0,87

US4
US5

0,88

AT4

AT5
Effect size (Path coeffients)

12
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com